13.3 多产品组合与系列化
13.1 和 13.2 处理的是「一款游戏」的财务:预算、回本、现金流。工作室的视角再往上一级,是一个预算池里押几款游戏——这就是组合决策。单款买断制游戏的成功概率不高(新 IP 首发表现高度不确定),把预算全部押在一款上,期望收入可能高,但方差也大;分散到多款,单款投入变薄,但期望收入与方差会一起变化。
系列化是组合里的特殊资产:续作不是从零开始,它能从既有作品带过来一部分存量受众(14.3 详细展开),还能复用引擎、美术、工具链——资源复用直接降低后续作品的成本。13.3 先把「组合分散」和「资源复用」两个机制量化,给工作室一个看预算池的框架。
本章与站内既有内容的分工
game/publish/steam/操作手册不涉及「多项目资金分配」;本节写的是组合层面的投资决策模型。- 卷一《平台机制与商店》10.3 净收入建模覆盖单笔净收入口径;本节不重复净收入公式,把净收入放进多项目的期望与方差。
- 与 13.1、13.2 的衔接:13.1 给单款回本线、13.2 给单款现金流,本节把它们放进组合:每个项目各有预算与回本线,组合关注期望回报与风险;14.3 再深入系列化续作的品牌迁移。
- 与 1.3 资源与预算分配的衔接:1.3 讲「一款游戏内部怎么分开发/营销」,本节讲「一个预算池怎么分多款游戏」。
组合期望、方差与资源复用
组合模型把每个项目写成三件事:预算、成功概率、成功时收入。失败时收入为 0。
组合期望收入 = Σ 成功概率 × 成功收入
组合方差 = Σ 成功概率 × (1 − 成功概率) × 成功收入²
一个三项目组合(模型假设:概率与收入均为假设值)
| 项目 | 预算 | 成功概率 | 成功收入 | 期望收入 |
|---|---|---|---|---|
| A:新 IP | 800 万 | 25% | 3000 万 | 750 万 |
| B:系列化续作 | 600 万 | 45% | 2000 万 | 900 万 |
| C:小体量作品 | 200 万 | 50% | 500 万 | 250 万 |
| 合计 | 1600 万 | — | — | 1900 万 |
组合期望净回报 = 1900 万 − 1600 万 = 300 万美分。与之对照,把 1600 万全部押在「高收入但低概率」的项目上:成功概率 25%、成功收入 6000 万,期望收入 1500 万、期望净回报 −100 万,且方差远大于组合。
风险读数:全押 vs 分散
| 方案 | 期望收入 | 方差 | 读法 |
|---|---|---|---|
| 全押单一项目 | 1500 万 | 675,000,000,000,000(美分²) | 期望低且方差大 |
| 三项目组合 | 1900 万 | 274,000,000,000,000(美分²) | 期望更高、方差更低 |
分散在这组参数下同时改善期望与风险——因为三个项目的成功概率和收入规模不同,低概率高收入(A)与中概率中收入(B、C)互相补位。组合标准差约 1655 万美分,量级仍在可解释范围。组合的价值不是「多押必赢」,而是让「一败涂地」的概率下降。
资源复用(模型假设:复用比例 20%)
系列化的第二项收益是资源复用:续作共享引擎、美术、工具链,预算按复用比例削减。
| 项目 | 原预算 | 复用 20% 后 |
|---|---|---|
| A(首个项目,全价) | 800 万 | 800 万 |
| B(第二个起,−20%) | 600 万 | 480 万 |
| C(−20%) | 200 万 | 160 万 |
| 合计 | 1600 万 | 1440 万(节省 160 万) |
决策表
| 决策 | 读数 |
|---|---|
| 押几款 | 在「期望收入最大化」与「方差可控」之间权衡;本例三款优于全押 |
| 系列化 vs 新 IP | 续作概率更高、可复用资源,但天花板取决于存量受众(14.3) |
| 资源复用的边际 | 复用比例是工作室自己的资产表,不是官方数字;按实际共享模块估算 |
| 组合的现金约束 | 每款都要过 13.2 的现金流时间线,组合的总垫资峰值是上限 |
模型参数与数据口径
- 可实证(官方):Steam 分成阶梯 70/30·75/25·80/20。
- 官方登录后可见:各作品在后台的销量、退款与净收入,用于校准每个项目的成功概率,以官方当前为准。
- 模型假设(非官方数值):成功概率 25%/45%/50%、成功收入、预算规模与复用比例 20% 均为示例;组合的期望与方差是决策模型的独立最小验证,不代表真实市场数字。金额用整数美分,口径同前两节。
可运行产物:C++ 最小验证
下面的仿真把组合与系列化固化成可执行的计算:组合期望收入、方差与标准差、全押对照、资源复用成本与节省。它与 src/steam-launch-13-3-portfolio-serialization.cpp 逐字节一致:
// file: src/steam-launch-13-3-portfolio-serialization.cpp
// tier: L1
// verify: clang++ -std=c++20 -Wall -I. src/steam-launch-13-3-portfolio-serialization.cpp -o bin/steam-launch-13-3-portfolio-serialization && ./bin/steam-launch-13-3-portfolio-serialization
//
// mock:复现多产品组合与系列化模型——多个项目各有预算、成功概率与
// 成功收入,计算组合期望、方差与标准差,比较「全押一个」与「组合分散」,
// 并计算资源复用对总成本的削减。
// 概率与复用比例属模型假设,非官方数值。
#include "verify.h"
#include <cstdint>
#include <vector>
namespace steam_repro {
// 多产品组合模型:期望收入、方差/标准差、资源复用成本。
class MockPortfolioModel {
public:
struct Project {
int64_t budgetCents;
int64_t revenueCents; // 成功时收入
int successPercent; // 成功概率(0–100)
};
void setProjects(const std::vector<Project>& ps) { projects_ = ps; }
// 组合期望收入:Σ p×R
int64_t expectedCents() const {
int64_t sum = 0;
for (const auto& p : projects_) sum += p.revenueCents * p.successPercent / 100;
return sum;
}
// 组合方差(美分²):Σ p(1−p)R²
int64_t varianceCents2() const {
int64_t sum = 0;
for (const auto& p : projects_) {
int64_t r2 = p.revenueCents * p.revenueCents;
sum += r2 * p.successPercent / 100 * (100 - p.successPercent) / 100;
}
return sum;
}
// 标准差:整数平方根
int64_t stddevCents() const { return isqrt(varianceCents2()); }
// 总预算
int64_t totalBudgetCents() const {
int64_t sum = 0;
for (const auto& p : projects_) sum += p.budgetCents;
return sum;
}
// 期望净回报:期望收入 − 总预算
int64_t expectedNetCents() const { return expectedCents() - totalBudgetCents(); }
// 资源复用后的调整总成本:第二个起的项目按 reusePercent 削减
int64_t reusedTotalCostCents(int reusePercent) const {
int64_t sum = 0;
for (size_t i = 0; i < projects_.size(); ++i) {
int64_t cost = projects_[i].budgetCents;
if (i >= 1) cost = cost * (100 - reusePercent) / 100;
sum += cost;
}
return sum;
}
// 资源复用节省
int64_t reuseSavingsCents(int reusePercent) const {
return totalBudgetCents() - reusedTotalCostCents(reusePercent);
}
// 整数平方根(牛顿迭代)
static int64_t isqrt(int64_t n) {
if (n <= 0) return 0;
int64_t x = n;
int64_t y = (x + 1) / 2;
while (y < x) {
x = y;
y = (x + n / x) / 2;
}
return x;
}
private:
std::vector<Project> projects_;
};
} // namespace steam_repro
int main() {
using namespace steam_repro;
MockPortfolioModel port;
// 组合三项目(概率与收入属模型假设)
port.setProjects({
{8000000, 30000000, 25}, // A:新 IP,成功概率 25%
{6000000, 20000000, 45}, // B:系列化续作,45%
{2000000, 5000000, 50}, // C:小体量作品,50%
});
// 1. 组合期望收入 = 750万 + 900万 + 250万 = 19,000,000 美分
CHECK(port.expectedCents() == 19000000);
// 2. 组合方差 = 168.75e12 + 99e12 + 6.25e12 = 274,000,000,000,000
CHECK(port.varianceCents2() == 274000000000000LL);
// 3. 总预算 = 800万 + 600万 + 200万 = 16,000,000 美分
CHECK(port.totalBudgetCents() == 16000000);
// 4. 期望净回报 = 1900万 − 1600万 = 3,000,000 美分
CHECK(port.expectedNetCents() == 3000000);
// 5. 全押单一项目对照:p=25%、收入 6000 万
MockPortfolioModel allin;
allin.setProjects({{16000000, 60000000, 25}});
CHECK(allin.expectedCents() == 15000000);
// 6. 组合期望高于全押:1900 万 > 1500 万
CHECK(port.expectedCents() > allin.expectedCents());
// 7. 组合方差低于全押:274e12 < 675e12(分散降低风险)
CHECK(port.varianceCents2() < allin.varianceCents2());
// 8. 全押标准差:p=50%、收入 4000 万的方差 4e14 是平方数
MockPortfolioModel half;
half.setProjects({{8000000, 40000000, 50}});
CHECK(half.stddevCents() == 20000000);
// 9. 资源复用 20%:B、C 成本各减 20% → 总成本 14,400,000
CHECK(port.reusedTotalCostCents(20) == 14400000);
// 10. 资源复用节省 = 1600万 − 1440万 = 1,600,000 美分
CHECK(port.reuseSavingsCents(20) == 1600000);
// 11. 组合标准差为正且在可解释范围(>0 且 < 总预算×10)
CHECK(port.stddevCents() > 0);
CHECK(port.stddevCents() < port.totalBudgetCents() * 10);
return lab::report("13-3 多产品组合与系列化");
}
本机实测(Apple clang 16,clang++ -std=c++20 -Wall):编译通过(零警告),断言 12/12 通过。
小结
- 组合模型 = 每个项目的预算、成功概率、成功收入 → 期望收入、方差、标准差。
- 分散在合适参数下同时改善期望与风险:低概率高收入项目与中概率中收入项目互相补位。
- 系列化的资源复用直接降低后续作品成本:复用比例是工作室自己的资产表。
- 组合的现金约束仍要回到 13.2:总垫资峰值是所有项目的现金流上线。
- 14 章进入长线:14.1 折扣循环、14.2 内容经济、14.3 续作与品牌迁移。
阅读导航:上一节:13.2 现金流时间线 · 下一节:14.1 长期折扣循环与价格政策 。
继续阅读
探索更多技术文章
浏览归档,发现更多关于系统设计、工具链和工程实践的内容。